JP2022520643A - 化学生産プラントにおける運転条件を決定するシステム、方法及びコンピュータプログラム製品 - Google Patents
化学生産プラントにおける運転条件を決定するシステム、方法及びコンピュータプログラム製品 Download PDFInfo
- Publication number
- JP2022520643A JP2022520643A JP2021547704A JP2021547704A JP2022520643A JP 2022520643 A JP2022520643 A JP 2022520643A JP 2021547704 A JP2021547704 A JP 2021547704A JP 2021547704 A JP2021547704 A JP 2021547704A JP 2022520643 A JP2022520643 A JP 2022520643A
- Authority
- JP
- Japan
- Prior art keywords
- data
- operating
- catalyst
- plant
- operating conditions
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 146
- 238000012824 chemical production Methods 0.000 title claims abstract description 85
- 238000004590 computer program Methods 0.000 title claims description 45
- 238000004519 manufacturing process Methods 0.000 claims abstract description 263
- 230000003197 catalytic effect Effects 0.000 claims abstract description 100
- 230000032683 aging Effects 0.000 claims abstract description 75
- 238000004891 communication Methods 0.000 claims abstract description 75
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 239000003054 catalyst Substances 0.000 claims description 234
- 238000012549 training Methods 0.000 claims description 70
- 238000006243 chemical reaction Methods 0.000 claims description 54
- 238000005457 optimization Methods 0.000 claims description 53
- 238000012545 processing Methods 0.000 claims description 51
- 230000007774 longterm Effects 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 11
- 230000036962 time dependent Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 3
- PPBRXRYQALVLMV-UHFFFAOYSA-N Styrene Chemical compound C=CC1=CC=CC=C1 PPBRXRYQALVLMV-UHFFFAOYSA-N 0.000 description 90
- YNQLUTRBYVCPMQ-UHFFFAOYSA-N Ethylbenzene Chemical compound CCC1=CC=CC=C1 YNQLUTRBYVCPMQ-UHFFFAOYSA-N 0.000 description 36
- 230000008569 process Effects 0.000 description 35
- 238000013178 mathematical model Methods 0.000 description 21
- 238000010801 machine learning Methods 0.000 description 16
- 239000000047 product Substances 0.000 description 13
- 238000006356 dehydrogenation reaction Methods 0.000 description 12
- 238000009826 distribution Methods 0.000 description 11
- 239000000203 mixture Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 239000000376 reactant Substances 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 230000002779 inactivation Effects 0.000 description 9
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 8
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 8
- 230000001186 cumulative effect Effects 0.000 description 8
- 239000011591 potassium Substances 0.000 description 8
- 229910052700 potassium Inorganic materials 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000007637 random forest analysis Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000009795 derivation Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000004817 gas chromatography Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000004886 process control Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 230000009897 systematic effect Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000006555 catalytic reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000003442 weekly effect Effects 0.000 description 4
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 239000006227 byproduct Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000000571 coke Substances 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 238000002309 gasification Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 239000011541 reaction mixture Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- KAKZBPTYRLMSJV-UHFFFAOYSA-N Butadiene Chemical compound C=CC=C KAKZBPTYRLMSJV-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- RRHGJUQNOFWUDK-UHFFFAOYSA-N Isoprene Chemical compound CC(=C)C=C RRHGJUQNOFWUDK-UHFFFAOYSA-N 0.000 description 2
- 230000003679 aging effect Effects 0.000 description 2
- 125000001931 aliphatic group Chemical group 0.000 description 2
- -1 alkyl aromatic hydrocarbons Chemical class 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- RWGFKTVRMDUZSP-UHFFFAOYSA-N cumene Chemical compound CC(C)C1=CC=CC=C1 RWGFKTVRMDUZSP-UHFFFAOYSA-N 0.000 description 2
- 230000009849 deactivation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000007858 starting material Substances 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- VXNZUUAINFGPBY-UHFFFAOYSA-N 1-Butene Chemical compound CCC=C VXNZUUAINFGPBY-UHFFFAOYSA-N 0.000 description 1
- BKOOMYPCSUNDGP-UHFFFAOYSA-N 2-methylbut-2-ene Chemical group CC=C(C)C BKOOMYPCSUNDGP-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- XYLMUPLGERFSHI-UHFFFAOYSA-N alpha-Methylstyrene Chemical compound CC(=C)C1=CC=CC=C1 XYLMUPLGERFSHI-UHFFFAOYSA-N 0.000 description 1
- IAQRGUVFOMOMEM-UHFFFAOYSA-N butene Natural products CC=CC IAQRGUVFOMOMEM-UHFFFAOYSA-N 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000013626 chemical specie Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000008246 gaseous mixture Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000000415 inactivating effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003303 reheating Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 238000002336 sorption--desorption measurement Methods 0.000 description 1
- 125000003011 styrenyl group Chemical group [H]\C(*)=C(/[H])C1=C([H])C([H])=C([H])C([H])=C1[H] 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 229930195735 unsaturated hydrocarbon Natural products 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J19/0006—Controlling or regulating processes
- B01J19/0033—Optimalisation processes, i.e. processes with adaptive control systems
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J2219/00049—Controlling or regulating processes
- B01J2219/00191—Control algorithm
- B01J2219/00222—Control algorithm taking actions
- B01J2219/00227—Control algorithm taking actions modifying the operating conditions
- B01J2219/00229—Control algorithm taking actions modifying the operating conditions of the reaction system
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J2219/00049—Controlling or regulating processes
- B01J2219/00243—Mathematical modelling
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32287—Medical, chemical, biological laboratory
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Organic Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
- General Factory Administration (AREA)
Abstract
Description
通信インターフェース及び前記通信インターフェースと通信する処理装置を含み、前記システムは:
- 前記通信インターフェースを介して、予定された生産運転のための事前に定義された運転条件を示す運転データ、又は現在の生産運転のための現在の運転条件を示す測定された運転データであって、少なくとも1つの運転データポイントが現在の運転条件の変更を示す所望の運転値を含む運転データを受信し、
- 前記通信インターフェースを介して、現在の又は予定された生産運転における触媒が使用された期間と関連する触媒老化インジケータを受信し、
- 前記処理装置を介して、好ましくはデータ駆動型機械学習モデルであるデータ駆動型モデルであって、前記データ駆動型モデルは学習データセットに従ってパラメータ設定され、前記学習データセットは運転データと触媒老化インジケータと少なくとも1つの目標運転パラメータとを有する履歴データセットに基づいているデータ駆動型モデルを使用することにより、前記運転データと前記触媒老化インジケータに基づいて予定された生産運転の運転条件又は現在の生産運転における変更の運転条件のための少なくとも1つの目標運転パラメータを決定し、
- 前記通信インターフェースを介して、予定された生産運転又は現在の生産運転における変更の運転条件のための少なくとも1つの目標運転パラメータを提供する、
ように構成されている。
(a)予定された生産運転のために、前記システムは:
- 前記通信インターフェースを介して、予定された生産運転のための事前に定義された運転条件を示す運転データを受信し、
- 前記通信インターフェースを介して、予定された生産運転における触媒が使用された期間に関連する触媒老化インジケータを受信し、
- 前記処理装置を介して、データ駆動型モデルであって、前記データ駆動型モデルは学習データセットに従ってパラメータ設定され、前記学習データセットは運転データと触媒老化インジケータと少なくとも1つの目標運転パラメータとを有する履歴データセットに基づいているデータ駆動型モデルを使用することにより、前記運転データと前記触媒老化インジケータに基づいて前記予定された生産運転の運転条件のための少なくとも1つの目標運転パラメータを決定し、
- 前記通信インターフェースを介して、予定された生産運転の運転条件のための少なくとも1つの目標運転パラメータを提供する、
ように構成されているか、又は
(b)現在の生産運転における変更のために、前記システムは:
- 前記通信インターフェースを介して、少なくとも1つの運転データポイントが現在の運転条件の変更を示す所望の運転値を含む現在の生産運転のための現在の運転条件を示す測定された運転データを受信し、
- 前記通信インターフェースを介して、現在の生産運転における触媒が使用された期間と関連する触媒老化インジケータを受信し、
- 前記処理装置を介して、データ駆動型モデルであって、前記データ駆動型モデルは学習データセットに従ってパラメータ設定され、前記学習データセットは運転データと触媒老化インジケータと少なくとも1つの目標運転パラメータとを有する履歴データセットに基づいているデータ駆動型モデルを使用することにより、前記運転データと前記触媒老化インジケータに基づいて現在の生産運転における変更の運転条件のための少なくとも1つの目標運転パラメータを決定し、
- 前記通信インターフェースを介して、現在の生産運転における変更の運転条件のための少なくとも1つの目標運転パラメータを提供する、
ように構成されている。
- 前記通信インターフェースを介して、予定された生産運転又は現在の生産運転における変更の1つ以上の運転条件について、決定された目標運転パラメータを受信し、
- 前記最適化処理装置を介して、各運転条件のための前記受信した目標運転パラメータに基づいて、前記目標運転パラメータの最大値又は最小値、又は前記目標運転パラメータから導出された少なくとも1つの最適化パラメータの最大値又は最小値を決定し、
- 前記通信インターフェースを介して、予定された生産運転又は現在の生産運転の最適運転条件を示す最大値又は最小値、例えば目標運転パラメータの最大値又は最小値、又は目標運転パラメータから導出される最適化パラメータの最大値又は最小値を提供する、
ように構成されている。
- 前記通信インターフェースを介して、(a)予定された生産運転、又は(b)現在の生産運転における変更に対して決定された複数の運転条件について、決定された目標運転パラメータを受信し、
- 前記最適化処理装置を介して、各運転条件について前記受信した目標運転パラメータに基づいて、前記目標運転パラメータの最小値又は最大値、又は前記目標運転パラメータから導出される最適化パラメータの最小値又は最大値を決定し、
- 前記通信インターフェースを介して、(a)予定された生産運転、又は(b)現在の生産運転のいずれかにおける最適運転条件を示す最小値あるいは最大値、例えば、目標運転パラメータの最小値あるいは最大値、又は目標運転パラメータから導出される最適化パラメータの最小値あるいは最大値を提供する、
ように構成されている。
- 前記通信インターフェースを介して、予定された生産運転の事前に定義された運転条件を示す運転データ、又は現在の生産運転を示す測定された運転データを受信するステップであって、少なくとも1つの運転データポイントが現在の運転条件の変更を示す所望の運転値を含むステップ、
- 前記通信インターフェースを介して、現在の又は予定された生産運転における触媒が使用された期間に関連する触媒老化インジケータを受信するステップ、
- 処理装置を介して、データ駆動型機械学習モデルであって、前記データ駆動型モデルは学習データセットに従ってパラメータ設定され、前記学習データセットは運転データと触媒老化インジケータと少なくとも1つの目標運転パラメータとを有する履歴データセットに基づいているデータ駆動型機械学習モデルを使用することにより、前記運転データと前記触媒老化インジケータに基づいて予定された生産運転又は現在の生産運転における変更の運転条件のための少なくとも1つの目標運転パラメータを決定するステップ、
- 前記通信インターフェースを介して、予定された生産運転又は現在の生産運転における変更の運転条件のための少なくとも1つの目標運転パラメータを提供するステップ。
(a)予定された生産運転について前記方法は以下のステップを含む:
- 通信インターフェースを介して、予定された生産運転のための事前に定義された運転条件を示す運転データを受信するステップ、
- 前記通信インターフェースを介して、予定された生産運転における触媒が使用された期間と関連する触媒老化インジケータを受信するステップ、
- 処理装置を介して、データ駆動型モデルであって、前記データ駆動型モデルは学習データセットに従ってパラメータ設定され、前記学習データセットは運転データと触媒老化インジケータと少なくとも1つの目標運転パラメータとを有する履歴データセットに基づいているデータ駆動型モデルを使用することにより、前記運転データと前記触媒老化インジケータに基づいて予定された生産運転の運転条件のための少なくとも1つの目標運転パラメータを決定するステップ、
- 前記通信インターフェースを介して、予定された生産運転の運転条件のための少なくとも1つの目標運転パラメータを提供するステップ、又は、
(b)現在の生産運転における変更について前記方法は以下のステップを含む:
- 通信インターフェースを介して、現在の生産運転のための現在の運転条件を示す測定された運転データであって、少なくとも1つの運転データポイントが現在の運転条件の変更を示す所望の運転値を含む運転データを受信するステップ、
- 前記通信インターフェースを介して、現在の生産運転における触媒が使用された期間と関連する触媒老化インジケータを受信するステップ、
- 処理装置を介して、データ駆動型モデルであって、前記データ駆動型モデルは学習データセットに従ってパラメータ設定され、前記学習データセットは運転データと触媒老化インジケータと少なくとも1つの目標運転パラメータとを有する履歴データセットに基づいているデータ駆動型モデルを使用することにより、前記運転データと前記触媒老化インジケータに基づいて、現在の生産運転における変更の運転条件のための少なくとも1つの目標運転パラメータを決定するステップ、
- 前記通信インターフェースを介して、現在の生産運転における変更の運転条件のための少なくとも1つの目標運転パラメータを提供するステップ。
- 通信インターフェースを介して、予定された生産運転又は現在の生産運転における変更についての1つ以上の運転条件について、決定された目標運転パラメータを受信するステップ、
- 最適化処理装置を介して、各運転条件のための前記受信した目標運転パラメータに基づいて、前記目標運転パラメータの最大値又は最小値、又は前記目標運転パラメータから導出される最適化パラメータの最大値又は最小値を決定するステップ、
- 前記通信インターフェースを介して、予定された生産運転又は現在の生産運転の最適運転条件を示す最大値又は最小値、例えば目標運転パラメータの最大値又は最小値、又は目標運転パラメータから導出される最適化パラメータの最大値又は最小値を提供するステップ。
- 通信インターフェースを介して、(a)予定された生産運転、又は(b)現在の生産運転における変更に対して決定された複数の運転条件について、決定された目標運転パラメータを受信するステップ、
- 最適化処理装置を介して、各運転条件のための前記受信した目標運転パラメータに基づいて、前記目標運転パラメータの最大値又は最小値、又は前記目標運転パラメータから導出される最適化パラメータの最大値又は最小値を決定するステップ、
- 前記通信インターフェースを介して、(a)予定された生産運転、又は(b)現在の生産運転のいずれかにおける最適運転条件を示す最小値あるいは最大値、例えば、目標運転パラメータの最小値あるいは最大値、又は目標運転パラメータから導出される最適化パラメータの最小値あるいは最大値を提供するステップ。
- 通信インターフェースを介して、運転データ、触媒老化インジケータ、少なくとも1つの目標運転パラメータ、任意でプラントメタデータを含む履歴データセットに基づく学習データセットを受信するステップ、
- 処理装置を介して、学習データセットに従ってパラメータ設定を調整することにより、駆動型モデルを学習させるステップ、
- 通信インターフェースを介して、学習されたデータ駆動型モデルを提供するステップ。
図2は、モデルの学習、短期モデルによる予測、又は長期モデルによる予想に適した形式にデータを前処理する例示的なワークフローを示している。
対象の運転データ又は生パラメータは、図3に概略を示すワークフローに基づいて決定され得る。触媒の専門家が利用可能なパラメータは、生センサデータ、分析データ、及びそれらから導出され典型的な運転パラメータ(例えば、変換率、空間速度、蒸気対オイル比、選択率など)の組み合わせからなり、その基礎となる。最初のステップでは、複数のプラントからのデータを使用する場合、対象となるすべてのプラントから利用可能なパラメータのみを選択し(1つのプラントのみをモデル化する場合、この基準は使われない)、冗長パラメータ(例えば、再スケールされたパラメータ)及びゼロ分散パラメータを除外することができる。
異なるプラントは生産レベルが異なり、それらの典型的な運転条件は、しばしば系統的な相違を示す。異なるプラント間のこのような差異を考慮するために、以下に示すような2つの方策のうちの1つ、又は2つの方策の組み合わせを適用することができる。
触媒の挙動の短期予測には、任意の回帰モデルを使用することができ、当業者であれば様々な典型的なモデル候補を知っている。化学プラントのデータの性質に応じて、典型的には、少数の独立した運転と(多くのパラメータを正規化した後でさえ)、比較的単純な性質であまり柔軟でないモデルのいくつかの潜在的なプラント(特有のバイアスがあり)が選択され得る。独立した運転回数が少ないシナリオでは、例えばランダムフォレスト回帰のような柔軟なモデルは、学習データセットにはより適合するが、新しいデータへの外挿が不十分な場合がある。したがって、利用可能な運転回数に応じて、適切な種類又は回帰ベースのモデルの組み合わせが選択されることができる。
時系列予想のために、自己回帰モデルからリカレントニューラルネットワークまでの数多くの数学的モデルが使用されることができる。今回の例示的な問題に適用するためのモデルの要件は以下を含む:1)多変量時系列への適用性、すなわち、例えば、圧力、入口温度又は選択率など、予想される長期的な傾向を受ける複数の内生(非制御)パラメータの予測への適用性、2)外生(制御)パラメータの統合、すなわち、既知の、又は外部から制御され、したがって、モデルによる予想を必要としない蒸気対オイル比、LHSV、目標変換などの影響力の大きいパラメータの統合。
数学モデルを構築するために、同じ種類の触媒(BASF S6-42)のいくつかの生産運転のデータを使用した。このデータセットは、2つ又は3つの反応器を有する11の工業プラント及び各プラントにおける1~4回の生産運転に関する情報をカバーしている。個々のプラントごとに、パラメータの完全なセット(分析データとセンサデータを含む)が収集された。センサデータは通常、日単位の解像度で利用可能であり、分析データは日単位から週単位の解像度で利用可能であった。
上述のとおり、50個の線形回帰モデルのアンサンブルが、学習データセットのサブセットで学習させられ、各サブセットは運転ごとに分割される。50個の減少された学習セットの各々は、利用可能な運転の最大74%(~74%)がランダムに選択されており、予測を向上させるとともに、モデル予測の局所的な不確実性に関する推定値を提供している(各モデルが運転条件などの異なるサブセットで学習されているとする)。重要なのは、データのサブセットは、学習データポイントのランダムなサンプリングではなく、運転間(あるいはプラント間)で分割される必要があるということである。さもなければ、すべてのモデルがほぼ同じ運転条件の分布で学習されるため、モデル間のばらつきがほとんどなくなってしまう。
1つの例示的な使用例は、プラントのオペレータが、以前はプラントで使用されていなかった特定の運転条件で所望の目標変換率を達成するために必要な反応器温度を推定するために、短期モデルを使用したい場合がある。スチレン生産プラントの場合、このような運転条件は、蒸気対オイル比の増加、LHSVの低下、又は供給組成の変更などがあり得る。理想的には、この予測の出発点は、正規化された老化パラメータ「totalProduction」を含む現在のプラントの状態であるべきである。
図4は、ユーザアプリケーションを含む処理装置を備えたクライアント側と、サービスプロバイダ用の処理装置を備えたサーバ側とを含む、生産監視及び/又は制御システムのクライアントサーバセットアップを示している。クライアント側とサーバ側は、通信インターフェースを介して、例えば有線又は無線で、通信可能に結合されてよい。クライアント側は、表示装置を含んでいてもよい。好ましくは、クライアント側のユーザアプリケーションは、運転データ、所望の値、触媒老化インジケータ、プラントメタデータ、目標運転パラメータ、又は決定された運転条件を受信して表示するように構成される。さらに好ましくは、クライアント側ユーザアプリケーションは、目標運転パラメータ又は決定された運転条件を受信し、目標運転パラメータ又は決定された運転条件に基づいて、化学生産プラントの現在又は予定された生産運転を制御するように構成される。クライアント側のユーザアプリケーションは、化学プラントのプロセス監視及び/又は制御システムの一部として組み込まれていてよい。
第2の使用例では、専門家は触媒がプラントに設置される前に、反応器の温度とそれに対応する選択率の開発の推定値を提供したい場合がある。このシナリオは、例えば技術提案の準備中にしばしば起こり、それは触媒の購買の決定前に1つ以上の仮定の運転シナリオとそれらの意味を顧客に提供する。したがって、モデル学習のためのデータが提供されないプラントの正確な予測が望ましい。
ユーザアプリケーションのインターフェースは、自動又は手動で入力されることができ、運転シナリオを対話的に規定するために使用されることができるモデルへの入力パラメータのブロックと;規定されたシナリオに対するモデル出力のブロック(例えば、平均反応器入口温度及び予測範囲を有する選択率)と;及び任意でさらなる出力として、対象パラメータに対するモデル予測の局所応答(例えば、目標変換範囲での予測される反応器入口温度)とを含むことができる。
短期モデルを開発するのに使用された処理済みデータセット(表2)から出発して、長期モデルの学習用データセットを準備するために、いくつかの追加ステップが実行される。まず、より少ない数のパラメータがリストから選択され、次に、各パラメータは週単位で収集される。
例示的な使用例では、プラントオペレータは、プラント運転の異なるシナリオと運転パラメータのプラント固有の制限に依存して、触媒の残り寿命を推定したいかもしれない。このようなシナリオは、LHSV、蒸気対オイル比、又は目標変換レベルの変更を含むかもしれず;異なるシナリオを検討するたくさんの動機が存在するが、典型的な質問は、スチレンの価格が低い時期に低い生産レベルでプラントを運転して触媒寿命を得ることが、最終的に価値があるかどうかということである。
モデルは、いくつかのマイナーな変更を伴って概念的に図4で説明したものと類似して実装されることができる。例えば、ローカルに又はAPI経由で実装される処理機能は、長期モデルの学習に使用されるデータフォーマットを提供するように適合させる必要があり、この特定の例では短期モデルのデータについて実行される手順後に週ごとの収集ステップの必要がある。例えばローカルに又はAPI経由で実装された予想機能は、今や単一ポイントを予測するために運転条件のセットを受信するだけでなく、モデルが要求する遅延した内生データの替わりに、同様に外生パラメータための運転シナリオ値も受信する。同様に、モデル出力は、モデルのすべて又は一部の内生変数のみの完全な予想である。
長期モデルの実装において、モデルで使用される内生パラメータは、少なくとも過去L週間分必要となり、ここで、Lは「長期」モデルに含まれる任意のモデル要素に使用される最大タイムラグである。このデータは、データの前処理及び準備の部分で説明されたようにプラントの生データ又は適切なフォーマットのデータから自動的に取得されてもよいし、手動で入力又はアップロードされてもよい。
Claims (25)
- 少なくとも1つの触媒反応器を含む化学生産プラントの運転条件を決定するためのシステムであって、前記システムは通信インターフェースと、前記通信インターフェースと通信する処理装置とを備え、
(a)予定された生産運転のために前記システムは:
- 前記通信インターフェースを介して、前記予定された生産運転のための事前に定義された運転条件を示す運転データを受信し(10)、
- 前記通信インターフェースを介して、前記予定された生産運転における触媒が使用された期間に関連する触媒老化インジケータを受信し(10)、
- 前記処理装置を介して、データ駆動型モデルであって、前記データ駆動型モデルは学習データセットに従ってパラメータ設定され、前記学習データセットは運転データと触媒老化インジケータと少なくとも1つの目標運転パラメータとを有する履歴データセットに基づいているデータ駆動型モデルを使用することにより、前記運転データと前記触媒老化インジケータに基づいて前記予定された生産運転の運転条件のための少なくとも1つの目標運転パラメータを決定し(14)、
- 前記通信インターフェースを介して、前記予定された生産運転の運転条件のための前記少なくとも1つの目標運転パラメータを提供する(16)、
ように構成され、又は
(b)現在の生産運転における変更のために前記システムは:
- 前記通信インターフェースを介して、少なくとも1つの運転データポイントが現在の運転条件の変更を示す所望の運転値を含む前記現在の生産運転のための現在の運転条件を示す測定された運転データを受信し(10)、
- 前記通信インターフェースを介して、前記現在の生産運転における触媒が使用された期間と関連する触媒老化インジケータを受信し(10)、
- 処理装置を介して、データ駆動型モデルであって、前記データ駆動型モデルは学習データセットに従ってパラメータ設定され、前記学習データセットは運転データと触媒老化インジケータと少なくとも1つの目標運転パラメータとを有する履歴データセットに基づいているデータ駆動型モデルを使用することにより、前記運転データと前記触媒老化インジケータに基づいて前記現在の生産運転における変更の運転条件のための少なくとも1つの目標運転パラメータを決定し(14)、
- 前記通信インターフェースを介して、前記現在の生産運転における変更の運転条件のための前記少なくとも1つの目標運転パラメータを提供する(16)、
ように構成されている、システム。 - 前記運転データは、前記化学生産プラントに設置されたセンサを介して測定されたセンサデータ、そのようなセンサデータから直接的又は間接的に導き出される量、前記化学生産プラントから採取されたサンプルで測定された分析データ、及び/又はそのような分析データから直接的又は間接的に導き出される量を含む、請求項1に記載のシステム。
- 前記システムは、
- 前記通信インターフェースを介して、物理的なプラントレイアウトを示すプラントメタデータを受信し(10)、
- 前記処理装置を介して、データ駆動型モデルを使用することにより、前記プラントメタデータにさらに基づいて少なくとも1つの目標運転パラメータを決定する(14)、ここで、前記学習データセットはプラントメタデータをさらに含む履歴データセットに基づく、請求項1又は2に記載のシステム。 - 前記システムが、前記少なくとも1つ目標運転パラメータの決定の前に、前記処理装置を介して前記運転データと前記プラントメタデータを前処理する(12)ように構成され、前記前処理は前記物理的なプラントレイアウトに依存しない量への変換を含む、請求項3に記載のシステム。
- 前記履歴データセットは、複数の運転、複数のプラント、及び/又は複数の触媒バッチからのデータを含む、請求項1~4のいずれか1項に記載のシステム。
- 前記触媒老化インジケータは、時点、期間、時間依存の運転データから導出される量、及び/又は時間依存の運転データから累積的に導出される量に基づく、請求項1~5のいずれか1項に記載のシステム。
- 前記システムが、前記処理装置を介して、離散的な時点の目標運転パラメータを決定する短期モデル、又は期間の目標運転パラメータを決定する長期モデルに基づいて、少なくとも1つ目標運転パラメータを決定する(14)、請求項1~6のいずれか1項に記載のシステム。
- 前記システムは、前記通信インターフェースを介して現在の生産運転中又は前の生産運転から予測時点までに測定され、予測され、又は導出された前記少なくとも1つの目標運転パラメータの時系列を受信する(10)ように構成され、前記システムはさらに、固有の時間依存性を含む前記データ駆動型モデルを使用して、前記運転データ、前記少なくとも1つの目標運転パラメータの時系列、前記触媒老化インジケータ、及び任意で前記プラントメタデータに基づいて、前記処理装置を介して前記予測時点に続く1つ以上の時点の少なくとも1つ目標運転パラメータを決定する(14)ように構成されている、請求項1~7のいずれか1項に記載のシステム。
- 化学生産プラントの運転条件を最適化するシステムであって、前記システムは、請求項1~8のいずれか1項によるシステムと前記通信インターフェースと通信する最適化処理装置とを有し、前記最適化処理装置は:
- 前記通信インターフェースを介して、(a)予定された生産運転又は(b)現在の生産運転の変更のいずれかについて決定された1つ以上の運転条件について決定された目標運転パラメータを受信し(18)、
- 前記最適化処理装置を介して、各運転条件のための前記受信した目標運転パラメータに基づいて、前記目標運転パラメータの最大値又は最小値、又は前記目標運転パラメータから導出された最適化パラメータの最大値又は最小値を決定し(18)、
- 前記通信インターフェースを介して、(a)予定された生産運転又は(b)現在の生産運転のいずれかの最適運転条件を示す最大値又は最小値提供する(18)、ように構成されている、システム。 - 請求項1~8のいずれか1項による運転条件を決定するシステムと通信可能に結合された通信インターフェースを含む生産監視及び/又は制御システム、又は、請求項9による運転条件を最適化するシステム。
- 請求項10に記載の生産監視及び/又は制御システムであって、表示装置を含み、前記表示装置は前記決定された運転条件を受信して表示するように構成され、又は、制御ユニットを含み、前記制御ユニットは前記決定された運転条件を受信し、前記決定された運転条件に基づいて前記化学生産プラントにおける現在の又は予定された生産運転を制御するように構成されている、システム。
- 少なくとも1つの触媒反応器を含む化学生産プラントの運転条件を決定するためのコンピュータ実装方法であって、前記方法は次のステップを含む、
(a)予定された生産運転について前記方法は以下のステップを含む:
- 通信インターフェースを介して、予定された生産運転のための事前に定義された運転条件を示す運転データを受信するステップ(10)、
- 前記通信インターフェースを介して、前記予定された生産運転における触媒が使用された期間と関連する触媒老化インジケータを受信するステップ(10)、
- 処理装置を介して、データ駆動型モデルであって、前記データ駆動型モデルは学習データセットに従ってパラメータ設定され、前記学習データセットは運転データと触媒老化インジケータと少なくとも1つの目標運転パラメータとを有する履歴データセットに基づいているデータ駆動型モデルを使用することにより、前記運転データと前記触媒老化インジケータに基づいて前記予定された生産運転の運転条件のための少なくとも1つの目標運転パラメータを決定するステップ(14)、
- 前記通信インターフェースを介して、前記予定された生産運転の運転条件のための前記少なくとも1つの目標運転パラメータを提供するステップ(16)、又は、
(b)現在の生産運転における変更について前記方法は以下のステップを含む:
- 通信インターフェースを介して、現在の生産運転のための現在の運転条件を示す測定された運転データであって、少なくとも1つの運転データポイントが前記現在の運転条件の変更を示す所望の運転値を含む運転データを受信するステップ(10)、
- 前記通信インターフェースを介して、前記現在の生産運転における触媒が使用された期間と関連する触媒老化インジケータを受信するステップ(10)、
- 処理装置を介して、データ駆動型モデルであって、前記データ駆動型モデルは学習データセットに従ってパラメータ設定され、前記学習データセットは運転データと触媒老化インジケータと少なくとも1つの目標運転パラメータとを有する履歴データセットに基づいているデータ駆動型モデルを使用することにより、前記運転データと前記触媒老化インジケータに基づいて、現在の生産運転における変更の運転条件のための少なくとも1つの目標運転パラメータを決定するステップ(14)、
- 前記通信インターフェースを介して、現在の生産運転における変更の運転条件のための前記少なくとも1つの目標運転パラメータを提供するステップ(16)。 - 請求項12の方法であって、以下のステップ、
- 前記通信インターフェースを介して、物理的なプラントレイアウトを示すプラントメタデータを受信するステップ(10)、及び
- 前記処理装置を介して、データ駆動型モデルを使用することにより、前記プラントメタデータにさらに基づいて少なくとも1つの目標運転パラメータを決定するステップ(14)、ここで、前記学習データセットはプラントメタデータをさらに含む履歴データセットに基づく、
をさらに含む方法。 - 請求項13に記載の方法であって、
前記少なくとも1つ目標運転パラメータの決定の前に、前記処理装置を介して前記運転データと前記プラントメタデータを前処理するステップ(12)をさらに含み、前記前処理は前記物理的なプラントレイアウトに依存しない量への変換を含む、方法。 - 前記履歴データセットは、複数の運転、複数のプラント、及び/又は複数の触媒バッチからのデータを含む、請求項12~14のいずれか1項に記載の方法。
- 少なくとも1つ目標運転パラメータの決定は、離散的な時点の目標運転パラメータを決定する短期モデル、又は期間の目標運転パラメータを決定する長期モデルに基づく、請求項12~15のいずれか1項に記載の方法。
- 現在の生産運転中又は前の生産運転から予測時点までに測定され、予測され、又は導出された前記少なくとも1つの目標運転パラメータの時系列は、前記通信インターフェースを介して受信され(10)、前記運転条件に基づく前記予測時点に続く1つ以上の時点の少なくとも1つ目標運転パラメータ、前記少なくとも1つ目標運転パラメータの時系列、前記触媒老化インジケータ、及び前記データ駆動型モデルを使用する任意の前記プラントメタデータは、前記処理装置を介して決定され(14)、前記データ駆動型モデルは固有の時間依存性を含む、請求項12~16のいずれか1項に記載の方法。
- 化学生産プラントの予定された生産運転又は現在の生産運転における変更の運転条件を最適化する方法であって、前記方法は以下のステップ:
- 通信インターフェースを介して、(a)予定された生産運転又は(b)現在の生産運転における変更のいずれかについて決定された1つ以上の運転条件について、決定された目標運転パラメータを受信するステップ(18)、
- 最適化処理装置を介して、各運転条件のための前記受信した目標運転パラメータに基づいて、前記目標運転パラメータの最大値又は最小値、又は前記目標運転パラメータから導出された最適化パラメータの最大値又は最小値を決定するステップ(18)、
- 前記通信インターフェースを介して、(a)予定された生産運転又は(b)現在の生産運転のいずれかの最適運転条件を示す最大値又は最小値提供するステップ(18)、
を有する方法。 - 請求項12~17のいずれか1項にしたがって運転条件を決定する方法を実行するステップを含む化学生産プラントを監視及び/又は制御する方法、又は、請求項18にしたがって運転条件を最適化する方法。
- 処理装置によって読み出され実行される時に請求項12~19のいずれか1項の方法を実行するコンピュータプログラム又はコンピュータ可読命令を有するコンピュータ可読不揮発性記憶媒体。
- 少なくとも1つの触媒反応器を含む化学生産プラントの予定された生産運転又は現在の生産運転における変更のための運転条件を決定するための方法であって、前記方法は以下のステップ:
- 通信インターフェースを介して、運転データ、触媒老化インジケータ、少なくとも1つの目標運転パラメータ、任意のプラントメタデータを有する履歴データセットに基づく学習データセットを受信するステップ、
- 処理装置を介して前記学習データセットにしたがってパラメータ設定を調整することによりデータ駆動型モデルを学習させるステップ、
- 前記通信インターフェースを介して、学習させたデータ駆動型モデルを提供するステップ、
を含む方法。 - 請求項21にしたがって学習させられたデータ駆動型モデルを含むコンピュータプログラム又はコンピュータ可読不揮発性記憶媒体。
- - 触媒と、
- 請求項21に記載の方法にしたがって学習させたデータ駆動型モデルと関連する触媒種類識別子と、を有する触媒システムであって、
前記モデルは前記触媒種類識別子によって示された触媒種類について学習させられている、触媒システム - - 触媒と、
- 請求項20又は22に記載のコンピュータプログラム又はコンピュータ可読不揮発性記憶媒体と関連する触媒種類識別子と、を有する触媒システム。 - 請求項21に記載の方法にしたがって学習させたデータ駆動型モデルと関連する触媒を使用する化学方法であって、前記データ駆動型モデルはプラント構成要素を設計するために使用され、あるいは、目標性能を実現するために前記化学方法を最適化するために使用される、化学方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19157515.8A EP3696619A1 (en) | 2019-02-15 | 2019-02-15 | Determining operating conditions in chemical production plants |
EP19157515.8 | 2019-02-15 | ||
PCT/EP2020/053148 WO2020165045A1 (en) | 2019-02-15 | 2020-02-07 | Determining operating conditions in chemical production plants |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022520643A true JP2022520643A (ja) | 2022-03-31 |
Family
ID=65529263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021547704A Pending JP2022520643A (ja) | 2019-02-15 | 2020-02-07 | 化学生産プラントにおける運転条件を決定するシステム、方法及びコンピュータプログラム製品 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220143569A1 (ja) |
EP (2) | EP3696619A1 (ja) |
JP (1) | JP2022520643A (ja) |
KR (1) | KR20210128449A (ja) |
CN (1) | CN113678071A (ja) |
TW (1) | TW202105098A (ja) |
WO (1) | WO2020165045A1 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7369324B1 (ja) | 2022-08-05 | 2023-10-25 | 千代田化工建設株式会社 | 製造システム |
WO2023210632A1 (ja) * | 2022-04-29 | 2023-11-02 | 日本特殊陶業株式会社 | 生成装置 |
WO2024034873A1 (ko) * | 2022-08-10 | 2024-02-15 | 에스케이가스 주식회사 | 화학공정의 기저원인 분석 및 이를 이용한 수율 예측 모델링 방법 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230409015A1 (en) * | 2020-12-14 | 2023-12-21 | Basf Se | Chemical Production |
CN116670598A (zh) * | 2020-12-22 | 2023-08-29 | 巴斯夫欧洲公司 | 化学生产 |
KR20240017901A (ko) * | 2021-06-07 | 2024-02-08 | 바스프 에스이 | 머신 학습 리그레서를 통한 플랜트의 모니터링 및/또는 제어 |
EP4113223A1 (en) * | 2021-06-29 | 2023-01-04 | Bull Sas | Method for optimising a process to produce a biochemical product |
TWI819578B (zh) * | 2022-04-20 | 2023-10-21 | 國立中央大學 | 多目標參數最佳化系統、方法及電腦程式產品 |
KR20240021642A (ko) * | 2022-08-10 | 2024-02-19 | 에스케이가스 주식회사 | 화학공정의 수율 예측 시뮬레이션 시스템 및 방법 |
EP4335947A1 (en) | 2022-09-06 | 2024-03-13 | Covestro Deutschland AG | Method and system for operating an electrochemical reactor |
LU502876B1 (en) * | 2022-10-05 | 2024-04-08 | Wurth Paul Sa | Anticipating the cause of abnormal operation in industrial machines |
WO2024079232A1 (en) * | 2022-10-14 | 2024-04-18 | Basf Se | System and methods for improving a performance of a production plant |
CN115646396B (zh) * | 2022-12-28 | 2023-03-10 | 安徽建筑大学 | 反应釜反应过程中安全参数检测方法、控制方法及装置 |
CN116814302B (zh) * | 2023-08-09 | 2024-03-01 | 北京启迪中谷能源科技有限公司 | 一种生物质气化反应气化量监控方法、系统及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0784606A (ja) * | 1993-09-09 | 1995-03-31 | Idemitsu Kosan Co Ltd | 多段断熱反応器の最適化制御方法及びその装置 |
JP2004052633A (ja) * | 2002-07-18 | 2004-02-19 | Toyota Motor Corp | 複数システムの統合制御装置 |
US20140365195A1 (en) * | 2013-06-07 | 2014-12-11 | Scientific Design Company, Inc. | System and method for monitoring a process |
JP2015179440A (ja) * | 2014-03-19 | 2015-10-08 | 株式会社東芝 | センサ割当て装置及びセンサ診断装置 |
WO2018117154A1 (ja) * | 2016-12-21 | 2018-06-28 | コスモ石油株式会社 | 脱硫触媒関連情報を提供するためのサーバ、方法、プログラム及びこれを記録したコンピュータ可読記録媒体 |
WO2018216746A1 (ja) * | 2017-05-25 | 2018-11-29 | コスモ石油株式会社 | プラントの推奨運転条件を提供する方法、サーバ、コンピュータ可読命令および記録媒体 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1226249C (zh) * | 2002-12-23 | 2005-11-09 | 扬子石油化工股份有限公司 | 二甲苯异构化反应器操作条件优化的方法 |
US9764314B2 (en) * | 2006-11-07 | 2017-09-19 | Saudi Arabian Oil Company | Control of fluid catalytic cracking process for minimizing additive usage in the desulfurization of petroleum feedstocks |
US9097166B2 (en) * | 2013-03-22 | 2015-08-04 | Ford Global Technologies, Llc | Integrated fuel catalyst monitor |
CN109643085B (zh) | 2016-08-23 | 2022-05-10 | 埃森哲环球解决方案有限公司 | 实时工业设备生产预测和操作优化 |
-
2019
- 2019-02-15 EP EP19157515.8A patent/EP3696619A1/en not_active Withdrawn
-
2020
- 2020-02-07 JP JP2021547704A patent/JP2022520643A/ja active Pending
- 2020-02-07 WO PCT/EP2020/053148 patent/WO2020165045A1/en unknown
- 2020-02-07 EP EP20702678.2A patent/EP3924785B1/en active Active
- 2020-02-07 KR KR1020217029651A patent/KR20210128449A/ko unknown
- 2020-02-07 US US17/430,960 patent/US20220143569A1/en active Pending
- 2020-02-07 CN CN202080028539.1A patent/CN113678071A/zh active Pending
- 2020-02-14 TW TW109104685A patent/TW202105098A/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0784606A (ja) * | 1993-09-09 | 1995-03-31 | Idemitsu Kosan Co Ltd | 多段断熱反応器の最適化制御方法及びその装置 |
JP2004052633A (ja) * | 2002-07-18 | 2004-02-19 | Toyota Motor Corp | 複数システムの統合制御装置 |
US20140365195A1 (en) * | 2013-06-07 | 2014-12-11 | Scientific Design Company, Inc. | System and method for monitoring a process |
JP2015179440A (ja) * | 2014-03-19 | 2015-10-08 | 株式会社東芝 | センサ割当て装置及びセンサ診断装置 |
WO2018117154A1 (ja) * | 2016-12-21 | 2018-06-28 | コスモ石油株式会社 | 脱硫触媒関連情報を提供するためのサーバ、方法、プログラム及びこれを記録したコンピュータ可読記録媒体 |
WO2018216746A1 (ja) * | 2017-05-25 | 2018-11-29 | コスモ石油株式会社 | プラントの推奨運転条件を提供する方法、サーバ、コンピュータ可読命令および記録媒体 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023210632A1 (ja) * | 2022-04-29 | 2023-11-02 | 日本特殊陶業株式会社 | 生成装置 |
JP7369324B1 (ja) | 2022-08-05 | 2023-10-25 | 千代田化工建設株式会社 | 製造システム |
WO2024029069A1 (ja) * | 2022-08-05 | 2024-02-08 | 千代田化工建設株式会社 | 製造システム |
WO2024034873A1 (ko) * | 2022-08-10 | 2024-02-15 | 에스케이가스 주식회사 | 화학공정의 기저원인 분석 및 이를 이용한 수율 예측 모델링 방법 |
KR20240021641A (ko) * | 2022-08-10 | 2024-02-19 | 에스케이가스 주식회사 | 화학공정의 기저원인 분석 및 이를 이용한 수율 예측 모델링 방법 |
KR102647438B1 (ko) * | 2022-08-10 | 2024-03-12 | 에스케이가스 주식회사 | 화학공정의 기저원인 분석 및 이를 이용한 수율 예측 모델링 방법 |
Also Published As
Publication number | Publication date |
---|---|
WO2020165045A1 (en) | 2020-08-20 |
KR20210128449A (ko) | 2021-10-26 |
EP3696619A1 (en) | 2020-08-19 |
CN113678071A (zh) | 2021-11-19 |
EP3924785B1 (en) | 2023-08-23 |
TW202105098A (zh) | 2021-02-01 |
EP3924785A1 (en) | 2021-12-22 |
US20220143569A1 (en) | 2022-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022520643A (ja) | 化学生産プラントにおける運転条件を決定するシステム、方法及びコンピュータプログラム製品 | |
JP7162442B2 (ja) | プロセス及び製造業における業績評価指標のデータに基づく最適化のための方法及びシステム | |
Ge et al. | Online monitoring of nonlinear multiple mode processes based on adaptive local model approach | |
Ge | Distributed predictive modeling framework for prediction and diagnosis of key performance index in plant-wide processes | |
US11860617B2 (en) | Forecasting industrial aging processes with machine learning methods | |
JP7009438B2 (ja) | 時系列パターンモデルを用いて主要パフォーマンス指標(kpi)を監視するコンピュータシステム及び方法 | |
US20190318288A1 (en) | Computer Systems And Methods For Performing Root Cause Analysis And Building A Predictive Model For Rare Event Occurrences In Plant-Wide Operations | |
CN109643085B (zh) | 实时工业设备生产预测和操作优化 | |
Ierapetritou et al. | Cost minimization in an energy-intensive plant using mathematical programming approaches | |
US11573541B2 (en) | Future state estimation device and future state estimation method | |
JP2022500778A (ja) | 製造工程の生成物である化合物および/または化合物製剤の品質を予測するシステムおよび方法 | |
US20220260988A1 (en) | Systems and methods for predicting manufacturing process risks | |
JP7081728B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
Zhang et al. | Online quality prediction for cobalt oxalate synthesis process using least squares support vector regression approach with dual updating | |
Choi et al. | Data-driven modeling of multimode chemical process: Validation with a real-world distillation column | |
Shokry et al. | A machine learning-based methodology for multi-parametric solution of chemical processes operation optimization under uncertainty | |
Wang et al. | Identification of Hammerstein-Weiner models for nonlinear MPC from infrequent measurements in batch processes | |
Glavan et al. | Production modelling for holistic production control | |
Esche et al. | Semi-supervised learning for data-driven soft-sensing of biological and chemical processes | |
Luo et al. | Machine learning-based predictive control using on-line model linearization: Application to an experimental electrochemical reactor | |
Kaneko et al. | Adaptive database management based on the database monitoring index for long-term use of adaptive soft sensors | |
JP2022542885A (ja) | 化学製品製造プラントにおける生産計画の改善のためのコーキングおよびファウリングの進行の予測 | |
JP2024079938A (ja) | 運転支援装置、運転支援方法及びプログラム | |
KR101319143B1 (ko) | 스티렌 제조용 촉매의 촉매교체시기 예측방법 | |
Rahimi-Adli et al. | A model identification approach for the evaluation of plant efficiency |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230120 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231031 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231205 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240305 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240611 |